目标检测方法、装置、设备、计算机设备和存储介质与流程

本申请涉及图像处理技术领域，特别是涉及一种目标检测方法、装置、设备、计算机设备和存储介质。

背景技术：

随着图像处理技术的发展，出现了检测图像中不同尺寸目标的算法。其中，包括采用多尺度空间理论的方法和机器学习相关的方法等。

多尺度空间理论的方法的原理比较复杂，在实际场景中对场景的适应性不高，实时性不容易达到。对于基于机器学习相关的方法，该类方法需要大量的训练数据来训练分类器，但是目标检测研究缺少的就是数据。

然而，目前的方法，存在虚警率高等问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种目标检测方法、装置、设备、计算机设备和存储介质。

一种目标检测方法，所述方法包括：

获取目标图像，

采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。

在其中一个实施例中，所述采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标包括：

若连续至少一帧未检测到所述第一目标，则采用结构元顶帽算法对所述目标图像进行第二目标检测。

在其中一个实施例中，所述若连续至少一帧未检测到第一目标，则采用结构元顶帽算法对所述目标图像进行第二目标检测之后包括：

若连续至少一帧未检测到所述第二目标，则返回对所述目标图像进行第一目标检测的步骤。

在其中一个实施例中，所述采用最大熵与面积结合算法对所述目标图像进行第一目标检测包括：

获取对所述目标图像进行分割的阈值，并根据所述阈值对所述目标图像进行分割，得到第一图像；

对所述第一图像进行连通域分析，得到第二图像；

对所述第二图像进行对比度分析，得到所述第一目标。

在其中一个实施例中，所述获取对所述目标图像进行分割的阈值，并根据所述阈值对所述目标图像进行分割，得到第一图像包括：

获取所述目标图像的灰度阶，并根据所述灰度阶分别计算所述灰度阶对应所述目标图像的灰度熵和所述灰度阶对应所述目标图像的区域面积，其中，所述目标图像的区域面积包括目标区域面积和背景区域面积；

根据所述目标区域面积和背景区域面积，获取所述目标图像的区域面积差；

若所述目标图像的灰度熵与所述目标图像的区域面积差乘积值最大，则获取所述乘积值最大时所述灰度阶对应的阈值。

在其中一个实施例中，所述对所述第一图像进行连通域分析，得到第二图像包括：

采用聚类分析，将所述第一图像中的目标区域进行聚合，得到可选目标区域。

在其中一个实施例中，所述对所述第二图像进行对比度分析，得到所述第一目标包括：

采用对比度分析，去除所述可选目标区域中的非目标区域，得到所述第一目标。

在其中一个实施例中，所述采用结构元顶帽算法对所述目标图像进行第二目标检测包括：

构建所述目标图像的形态学结构元，并根据所述形态学结构元对所述目标图像进行形态学顶帽操作，得到第三图像；

在所述目标图像中减去所述第三图像，得到第四图像；

获取第二阈值，对所述第四图像进行分割，得到第五图像；

对所述第五图像进行连通域分析，得到第六图像；

对所述第六图像进行对比度分析，得到所述第二目标。

在其中一个实施例中，所述方法还包括：

获取初始图像，并对所述初始图像进行预处理，得到所述目标图像。

在其中一个实施例中，所述获取初始图像，并对所述初始图像进行预处理，得到目标图像包括：

依次对所述初始图像进行高斯滤波平滑和最大值滤波去噪处理，得到所述目标图像。

一种目标检测装置，所述装置包括：

目标获取模块，用于获取目标图像，采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。

一种目标检测设备，所述设备包括一种目标检测装置所述装置。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。

上述目标检测方法、装置、设备、计算机设备和存储介质，通过获取目标图像，并采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。通过上述方法，可以提高检测准确率，降低虚警率。

附图说明

图1为一个实施例中一种目标检测方法的应用环境图；

图2为一个实施例中一种目标检测方法的流程示意图；

图3为一个实施例中步骤s1的流程示意图；

图4为另一个实施例中步骤s12的流程示意图；

图5为另一个实施例中步骤s121的流程示意图；

图6为另一个实施例中步骤s11的流程示意图；

图7为另一个实施例中一种目标检测方法的流程示意图；

图8(a)为场景一大目标的检测图像；

图8(b)为场景一小目标的检测图像；

图8(c)为场景二大目标的检测图像；

图8(d)为场景二小目标的检测图像；

图9(a)为中等复杂天空背景下大目标的检测图像；

图9(b)为中等复杂天空背景下小目标的检测图像；

图10(a)为复杂天空背景下大目标的检测图像；

图10(b)为复杂天空背景下小目标的检测图像；

图11为一个实施例中一种目标检测装置的结构框图；

图12为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种目标检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102获取目标图像，并将所述目标图像传输至服务器104，服务器104对所述目标图像进行处理，具体如下：采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种目标检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

一种目标检测方法，所述方法包括：

步骤s1：获取目标图像，

采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。

具体地，目标图像指具有目标和复杂背景的图像。其中，复杂背景至少包括天空背景或海面背景等。目标指红外目标，包括第一目标和第二目标，其中第一目标与第二目标具有不同的尺寸，如第一目标为9*9物体，第二目标为19*19的物体。

采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，指如果采用最大熵与面积结合算法对所述目标图像进行第一目标检测时，未检测到所述第一目标，则采用结构元顶帽算法对所述目标图像进行第二目标检测，直至检测到所述第一目标或第二目标；或，如果采用结构元顶帽算法对所述目标图像进行第二目标检测时，未检测到所述第二目标，则采用最大熵与面积结合算法对所述目标图像进行第一目标检测，直至检测到所述第一目标或第二目标。其中，以上执行顺序均可。

本申请使用第一目标与第二目标检测算法切换的策略，解决了不同尺寸红外目标在各种高空背景下的目标检测问题，提高了红外目标的检测率，增强了整个产品的适应性。采用最大熵与面积结合算法，对于复杂云层的目标场景也有很好的适应性，能够有效的抑制云层等背景的干扰，提高目标检测的检测率，后续连通域分析与对比度分析很好的降低了虚景率；采用结构元顶帽算法，对于简单与复杂的天空场景的目标都能够有效的检测，能够有效的抑制大的背景，后续通过连通域分析和对比度分析的方法很好的降低了虚景率。

上述目标检测方法，通过获取目标图像，并采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。通过上述方法，可以提高检测准确率，降低虚警率。

在其中一个实施例中，结合图3，所述步骤s1包括：

步骤s11：若连续至少一帧未检测到所述第一目标，则采用结构元顶帽算法对所述目标图像进行第二目标检测。

具体地，对于获取的目标图像，进行第一目标检测时，帧数的取值范围为3-5。

在其中一个实施例中，所述步骤s11之后包括：

步骤s12：若连续至少一帧未检测到所述第二目标，则返回对所述目标图像进行第一目标检测的步骤。

具体地，至少一帧指n帧，所述n为正整数，且n>1。对于获取的目标图像，进行第二目标检测时，帧数的取值范围也可为3-5，与检测第一目标时设置的帧数数值相同。

在其中一个实施例中，结合图4，所述步骤s12包括：

步骤s121：获取对所述目标图像进行分割的阈值，并根据所述阈值对所述目标图像进行分割，得到第一图像。

具体地，第一图像指通过阈值将所述目标图像进行分割后的图像。

步骤s122：对所述第一图像进行连通域分析，得到第二图像。

具体地，连通域分析指根据将二值图像进行区域的划分，形成不同的区域。二值图像中彼此连通的点形成了一个区域，而不连通的点形成了不同的区域，将所有的点彼此连通点构成的集合，称为一个连通区域。

连通域分析指将所述图像中的离散点聚合为图像块。第二图像指将所述第一图像进行连通域分析后获得的图像。

步骤s123：对所述第二图像进行对比度分析，得到所述第一目标。

具体地，对比度分析的目的是将第二图像中的虚警去除掉，保留图像中的目标。

在其中一个实施例中，结合图5，所述步骤s121包括：

步骤s1211：获取所述目标图像的灰度阶，并根据所述灰度阶分别计算所述灰度阶对应所述目标图像的灰度熵和所述灰度阶对应所述目标图像的区域面积，其中，所述目标图像的区域面积包括目标区域面积和背景区域面积；

步骤s1212：根据所述目标区域面积和背景区域面积，获取所述目标图像的区域面积差；

步骤s1213：若所述目标图像的灰度熵与所述目标图像的区域面积差乘积值最大，则获取所述乘积值最大时所述灰度阶对应的阈值。

设一幅图像总的灰度级数目(灰度阶)为l，图像中灰度为k的像素数目为g(k),k＝0,1,…,l-1，将图像划分为目标类(目标区域面积)co和背景类(背景区域)cb，为了讨论方便，设低灰度区为目标类，高灰度区为背景类，则可令：

图像灰度熵为：

其中，ho(t)为目标类灰度熵；hb(t)为背景类灰度熵。图像灰度熵表征了图像能量分布的宏观统计特征，反映了区域内像素灰度的差异程度。图像灰度熵越大，类内的像素灰度差异越小，当灰度熵达到最大时，目标类和背景类的灰度趋于均匀。

另外，考虑到红外目标区域通常比背景区域要小很多，直接采用阈值分割很容易造成目标分割的失败，利用目标区域与背景区域面积相差很大的特点，来构建阈值选取公式。

设目标区域面积为so(t)，背景区域面积为sb(t)，则有：

最终的阈值选择函数为：

η(t)＝h(t)·[so(t)-sb(t)]²；

当η(t)取最大值时的t即为最佳阈值：

在其中一个实施例中，所述步骤s122包括：

步骤s1221：采用聚类分析，将所述第一图像中的目标区域进行聚合，得到可选目标区域。

具体地，可选目标区域包括目标区域和疑似目标区域，通过后期处理将疑似目标区域排除，获得目标区域，以识别目标。

在其中一个实施例中，所述步骤s123包括：

步骤s1231：采用对比度分析，去除所述可选目标区域中的非目标区域，得到所述第一目标。

具体地，通过对比度分析，排除疑似目标区域中的虚景，保留目标显示。

对比度使用公式如下：

lcm＝tmax-bmean

其中tmax为目标区域的最大值，bmean为背景区域的均值。计算完对比度后，对于所有的对比度采取均值加一定权重的标准差作为阈值进行分割显示目标区域。

在其中一个实施例中，结合图6，所述步骤s11包括：

步骤s111：构建所述目标图像的形态学结构元，并根据所述形态学结构元对所述目标图像进行形态学顶帽操作，得到第三图像。

具体地，第三图像指将所述目标进行形态学顶帽操作后获得的图像。根据第一目标与第二目标中较小的目标构建结构元，例第二目标为较小目标，且其大小为9*9，则构建中间值为0的9*9且其余值为1的19*19的特殊结构元，进行形态学顶帽操作，对图像进行形态学膨胀和腐蚀。

步骤s112：在所述目标图像中减去所述第三图像，得到第四图像。

具体地，采用所述目标图像减去第三图像得到第四图像，其中，第四图像中包括目标和干扰信息。

步骤s113：获取第二阈值，对所述第四图像进行分割，得到第五图像。

具体地，第二阈值指对第四图像进行分割所需阈值，阈值设置为图像均值加一定权重的标准差。第五图像指将所述第四图像根据第二阈值进行分割后获得的图像。

为了适应不同复杂场景变化，这里根据对比度值的统计信息来自适应选取阈值。阈值的计算方式如下：

其中，分别为图像的均值和标准差，k为常数，范围在1-2之间，根据实际场景而定，本发明设置为1.5。

步骤s114：对所述第五图像进行连通域分析，得到第六图像。

具体地，对所述第五图像进行连通域分析时，主要采用聚类方法，将第五图像中的点聚合为图像块，以获得疑似目标区域。所述第六图像指对所述第五图像进行连通域分析后获得图像，其中，第六图像中包括疑似目标区域。

步骤s115：对所述第六图像进行对比度分析，得到所述第二目标。

具体地：通过对比度分析，排除疑似目标区域中的虚警，保留目标显示。

对比度使用公式如下：

其中tmax为目标区域的最大值，bmax为背景区域的最大值，bmin为背景区域的最小值。计算完对比度后，对于所有的对比度采取均值加一定权重的标准差作为阈值进行分割显示目标区域。

在其中一个实施例中，结合图7，所述方法还包括：

步骤s2：获取初始图像，并对所述初始图像进行预处理，得到所述目标图像。

具体地，图像预处理是消除初始图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。

在其中一个实施例中，所述步骤s2包括：

步骤s21：依次对所述初始图像进行高斯滤波平滑和最大值滤波去噪处理，得到所述目标图像。

具体地，通过3*3的模板进行高斯滤波去除高斯噪声，再通过3*3的模板进行最大值滤波有利于后续的对比度计算。

在一个实施例中，以下是使用实际测试中不同复杂度天空背景的红外数据进行的目标检测结果。

图8是两个比较简单的天空背景场景下的红外目标检测，图8(a)为场景一大目标的检测图像，图8(b)为场景一小目标的检测图像；图8(c)为场景二大目标的检测图像，图8(d)为场景二小目标的检测图像。

通过上述图像，可以看到本申请算法可以很好的检测到图像中的红外目标。

图9是中等复杂天空背景下对于不同尺寸的红外目标检测的结果，可以看出本申请算法可以很好的检测到图像中的红外目标。

图9(a)为中等复杂天空背景下大目标的检测图像，图9(b)为中等复杂天空背景下小目标的检测图像。

图10是复杂天空背景下对于不同尺寸的红外目标检测的结果，可以看出本申请算法可以很好的检测到图像中的红外目标。

图10(a)为复杂天空背景下大目标的检测图像，图10(b)为复杂天空背景下小目标的检测图像。

通过对以上结果观察可以看出，本申请提出的方法能够在不同复杂度的天空背景下对不同尺度的红外目标进行检测，能够有效的检测出目标的同时降低虚景率。在实际的产品中通过使用fpga与dsp的架构，使用面目标与小目标的切换，在不影响精度的情况下可以有效的满足实时性的要求，说明了本申请方法的有效性与鲁棒性。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图11所示，提供了一种目标检测装置，包括：目标获取模块，其中：

目标获取模块10，用于获取目标图像，采用最大熵与面积结合算法对所述目标图像进行第一目标检测和采用结构元顶帽算法对所述目标图像进行第二目标检测切换处理，以得到所述目标图像中的第一目标或第二目标。

在一个实施例中，所述目标获取模块10包括：

第二目标检测模块101，用于若连续至少一帧未检测到所述第一目标，则采用结构元顶帽算法对所述目标图像进行第二目标检测。

在一个实施例中，所述第二目标检测模块101之后包括：

第一目标检测模块102，用于若连续至少一帧未检测到所述第二目标，则返回对所述目标图像进行第一目标检测的步骤。

在一个实施例中，所述第一目标检测模块102包括：

第一图像获取模块1021，用于获取对所述目标图像进行分割的阈值，并根据所述阈值对所述目标图像进行分割，得到第一图像；

第二图像获取模块1022，用于对所述第一图像进行连通域分析，得到第二图像；

第一目标获取模块1023，用于对所述第二图像进行对比度分析，得到所述第一目标。

在一个实施例中，所述第一图像获取模块1021包括：

计算模块1021a：获取所述目标图像的灰度阶，并根据所述灰度阶分别计算所述灰度阶对应所述目标图像的灰度熵和所述灰度阶对应所述目标图像的区域面积，其中，所述目标图像的区域面积包括目标区域面积和背景区域面积；

区域面积差获取模块1021b：根据所述目标区域面积和背景区域面积，获取所述目标图像的区域面积差；

阈值获取模块1021c：若所述目标图像的灰度熵与所述目标图像的区域面积差乘积值最大，则获取所述乘积值最大时所述灰度阶对应的阈值。

在一个实施例中，所述第二图像获取模块1022包括：

可选目标区域获取模块1022a：采用聚类分析，将所述第一图像中的目标区域进行聚合，得到可选目标区域。

在一个实施例中，所述第一目标获取模块1023包括：

非目标区域剔除模块1023a：采用对比度分析，去除所述可选目标区域中的非目标区域，得到所述第一目标。

在一个实施例中，所述第二目标检测模块101包括：

第三图像获取模块1011，用于构建所述目标图像的形态学结构元，并根据所述形态学结构元对所述目标图像进行形态学顶帽操作，得到第三图像；

第四图像获取模块1012，用于在所述目标图像中减去所述第三图像，得到第四图像；

第五图像获取模块1013，用于获取第二阈值，对所述第四图像进行分割，得到第五图像；

第六图像获取模块1014，用于对所述第五图像进行连通域分析，得到第六图像；

第六图形处理模块1014a：对所述第六图像进行对比度分析，得到所述第二目标。

在一个实施例中，所述方法还包括：

预处理模块20，用于获取初始图像，并对所述初始图像进行预处理，得到所述目标图像。

在一个实施例中，所述预处理模块20包括：

目标图像获取模块21，用于依次对所述初始图像进行高斯滤波平滑和最大值滤波去噪处理，得到所述目标图像。

在一个实施例中，还提供一种目标检测设备，所述设备包括一种目标检测装置。

关于一种目标检测装置的具体限定可以参见上文中对于一种目标检测方法的限定，在此不再赘述。上述一种目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种一种目标检测方法。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上方法所述步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上方法所述步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。